戈德伯格的多指标,多因素模型及其应用.docxVIP

戈德伯格的多指标,多因素模型及其应用 阿尔戈德博格（arthurs.戈德博格）是美国著名的经济学家。他的学术声望最初来自于其研究生期间与老师克莱因(Lawrence Klein)合作的“克莱因一戈德伯格美国计量经济模型(1929-1951)”,这种大型计量模型的建立对计量经济学的实际应用产生了巨大影响,他在联立方程模型,特别是在度量误差和隐变量(latent variable,又译为潜在变量)方面的研究对理论界产生了深远影响。他还参与了多部经典计量经济学教材撰写,并在1988年被授予美国经济学联合会杰出资深会员称号。特别是,戈德伯格并没有把自己的研究仅仅局限于经济学,他还将计量经济学方法引入其他领域——行为遗传学研究,在社会科学各学科间成功地架起了一座桥梁。下面仅就戈德伯格研究中的一个重要组成部分——计量经济学中的隐变量和与之相关联的“多指标,多因素”模型及有关应用作一介绍。 一、 结构参数模型的真实加工 长期以来,在计量经济学模型的基础研究方面,对包含不可观察变量(隐变量)模型的系统研究一直是被忽视的,正是戈德伯格的“多指标,多因素”模型给出了解决这一问题的有效方法,从而成为解决包含不可观察变量问题的一种被广泛使用的方法。 戈德伯格对隐变量的研究和“多指标、多因素”模型的提出,是从验证米尔顿·弗里德曼“持久收入假说”开始的。一般来说,要构造一个消费回归方程,往往把消费作为持久收入的函数,但持久收入是一个不能直接观察的隐变量。另一方面,现期收入很容易被观察并且可以作为反映持久收入的一个指标。我们可有以下的形式: 这里y表示消费,x 在这里可以用样本矩来估计这3个总体矩,但即使能准确地知道总体矩,也只有3个方程去解4个未知数σ 因此,考虑这一不能识别问题,消费对度量收入(现期收入)的最小二乘估计就无法给出一个关于β的一致性估计。一般来说,当样本容量增加时,最小二乘估计值会收敛于某一点,可称之为回归参数。如果可观察收入(现期收入)与持久收入之间联系很微弱,那么回归参数将接近于0。而事实上,回归参数等于βτ,这里的τ表示持久收入的方差在度量收入的方差中的比例： 戈德伯格解决识别问题是从回归参数和结构参数的区分开始的。他认为,这里的β比回归参数重要得多,β不会随不同的样本和分组而变动,而度量收入和持久收入之间联系的紧密程度则会发生变动,从而回归参数也很可能随之变动。为了证明最小二乘回归方法不适合作为估计结构模型的工具,必须说明结构参数在某种程度上比回归参数更基础、更重要。他认为,说明这一点的关键就是要指出回归参数是结构参数的混合的想法:即如果一个结构参数变化了,所有的回归系数可能都会改变。 戈德伯格最终得到的重要结论是:寻求结构参数就是寻求产生可观察变量机构不会变动的那些特征。这些不变特征是指对于我们所感兴趣的一系列总体能够保持稳定不变,或只是个别变动的特征。而只有当回归参数具有这种不变性时,回归方法也才是合适的工具,其研究结果才是有效的。当然,在许多社会科学领域里,回归参数往往缺乏这种不变性。因此,我们关心的研究目标应当是一些更重要、更基本的参数,也即结构参数,需要一种超越普通回归方法的新的统计工具去获得这些参数,这一工具就是“多指标,多因素”模型。下面简要地介绍有关内容: 用多指标方法解决识别问题。假设对于真实值x 用多因素方法解决识别问题。泽尔纳(At mold Zellner)和戈德伯格(1970)还发展出另外一种方法——使用隐变量,也即多因素的方法来解决。假设x 二、 第三,估计工资歧视 戈德伯格对工资歧视问题的研究进一步说明了其“多指标,多因素”模型的意义,其论文《逆回归与工资歧视》(1984)对这一模型框架作了很好的阐释,该文估计的主要问题是有关诸如妇女等的工资歧视现象。通常有关估计工资歧视的方法都是用工资对观察到的资格条件变量(如受教育年限、工作经验)和一个表示性别的变量作直接回归的方法。人们发现这种方法将导致所谓的“变量误差”的问题。戈德伯格提出了一种新方法——逆回归方法,并有效地消除了这一直接回归难以消除的误差。 下面简要介绍有关内容,在下面的模型A中,度量资格条件变量是雇主对生产率估计量的影响因素,而在模型B中,度量资格条件变量是生产率估计量的指标。 (一) 雇主实验约束x、扰动项 先看多因素模型: 这里y表示工资,p表示雇主对生产率估计量的隐变量,z表示性别(1表示男性,0表示女性),所以α0时则表示对女性存在歧视。从模型的表达式可以看出,工资决定于雇主对生产率的估计量,而对生产率的估计量基于一系列观察到的资格条件变量x和扰动项w,w的含义是:雇主所拥有而统计学家却不拥有的那些额外信息。其最关键的假设是:额外的信息(它们是无法从x中预测的全部信息的一部分)与性别无关,资格条件变量的均值随性别不同可能有所不同。